QKSA：量子知识寻求智能体——基于量子过程层析的资源优化强化学习
量子物理
2021-12-08 v1 人工智能
新兴技术
计算物理
摘要
在本研究中，我们将通用人工智能的通用强化学习（URL）智能体模型扩展到量子环境。经典探索性随机知识寻求智能体 KL-KSA 的效用函数被推广到密度矩阵上量子信息论的距离度量。量子过程层析（QPT）算法构成了用于建模环境动力学的可处理程序子集。最优 QPT 策略基于可变的代价函数选取，该函数基于算法复杂度和计算资源复杂度。我们不在图灵机上，而是在高级语言上估计代价度量，以允许现实实验。整个智能体设计封装在一个自复制 quine 中，其根据最优策略选择方案的预测价值变异代价函数。因此，具有帕累托最优 QPT 策略的多个智能体通过遗传编程演化，模仿具有不同资源权衡的物理理论的发展。这一形式框架被称为量子知识寻求智能体（QKSA）。尽管其重要，与当前量子机器学习的推进相比，现有的量子强化学习模型很少。QKSA 是首个类似经典 URL 模型的框架提案。类似于 AIXI-tl 是 Solomonoff 通用归纳的资源有界主动版本，QKSA 是近期提出的基于算法信息的量子力学重构的资源有界参与式观测者框架。QKSA 可用于模拟和研究量子信息论的各个方面。具体地，我们展示其可用于加速以层析重建为 integral 子程序的量子变分算法。
引用
@article{arxiv.2112.03643,
title = {QKSA: Quantum Knowledge Seeking Agent -- resource-optimized reinforcement learning using quantum process tomography},
author = {Aritra Sarkar and Zaid Al-Ars and Harshitta Gandhi and Koen Bertels},
journal= {arXiv preprint arXiv:2112.03643},
year = {2021}
}
备注
superseding initial QKSA framework as presented in arXiv:2107.01429